数据分析必懂的方法——RFM模型!
涨芝士时间到!
今天来聊聊RFM模型~
背景 / Story
新一季度来临,A电商公司想要寻求新的营销机会,运营部门的员工小帆打算从用户着手,分析他们的不同特点以制定精细化的产品策略。
俗话说,分层是运营最基础的底层思维,既然要有针对性地制定产品策略,那首先要将用户进行分层。原因很简单,不同用户群体需求不同、驱动力不同,价值也自然不同,将用户“区别对待”不仅有助于推动用户增长,且能够减少资源浪费。
帮助用户分层的方法有很多,小帆选择了一个基础且广为流传的——RFM模型!
RFM模型是美国数据库营销研究所提出的一种简单实用客户分析方法,在零售、电商领域乃至整个互联网行业都有着广泛应用。
它将三个关键要素看作衡量用户价值和用户创造利益能力的标准:
1、最近一次消费时间(R):即用户最近一次采购时间与目前时间的间隔。R值越小,用户流失几率越小,价值越大。
2、最近一段时间内消费频次(F):即用户在限定的期间内所购买的次数。F值越大,用户价值越大。
3、最近一段时间内消费金额(M):指用户的消费能力,通常以用户单次的平均消费金额作为衡量指标。M值越大,用户价值越大。
小帆使用 FineBI进行了RFM分析 ,通过数据对用户进行观察和分类,帮助公司针对性地制定出了相应的营销策略。
他是怎么做的呢?下面我们就以FineBI v6.0中的公共数据为例,重现小帆的操作步骤:
一 创建分析主题
1.在「我的分析」下创建「RFM模型分析」主题,选择内置公共数据中的「RFM明细数据」,点击「确定」添加数据
2.添加数据,点击「字段设置」勾选以下几个字段,点击「保存并更新」
二 计算用户消费指标
计算每个客户的平均单次消费金额、消费次数、最后一次消费距今天数。
1.对数据进行分组汇总
最近一次消费时间(R):「DATE」的汇总方式选择「最晚时间」,可得到每个用户最近一次购买的时间;
消费次数(F):由于有一条记录代表该用户购买了一次,所以随意拖入一个「CUSTOMERNAME」求「记录个数」即可;
平均单次消费金额(M):「MONEY1」的汇总方式选择「平均」,可求到每个用户平均单次消费金额;
「MONEY」的汇总方式选择「求和」,可求到每个用户消费金额。
2.对字段重命名,方便之后理解
3.求最近一次消费距今的天数,新增一列计算时间差
三 计算所有用户消费指标的平均值
1.计算用户平均消费金额
1.1 新增列,计算所有用户消费总金额
1.2 新增列,计算所有用户的消费总次数
1.3 新增列,计算所有用户平均消费金额,用户平均消费金额=所有用户消费总金额/消费总次数
2.计算用户平均消费次数
3.计算最近一次消费距今平均天数
新增列,求所有用户最近一次消费距今的平均天数
四 用户消费指标评价
根据关键指标是否大于客户总体平均值水平进行评价,其中在IF(xxx>客户总体xxx平均值,1,0)中,小于总体平均的设为 0,大于总体平均的设为 1 ,使得 1 都是保持正向特征,0 保持负向特征。
1.次均消费金额评价
新增公式列「次均消费金额评价」,当用户平均单次消费金额大于用户总体平均值时,标记为 1 ,否则标记为 0 ,公式为IF(平均单次消费金额>用户平均消费金额,1,0)。
2.消费次数评价
新增公式列「消费次数评价」,当用户消费次数大于用户总体平均值时,标记为 1 ,否则标记为 0 ,公式为IF(消费次数>平均消费频次,1,0)。
3.最近一次消费距今天数评价
新增公式列「最近一次消费距今天数评价」,当用户最近消费时间距今天数小于用户总体平均值时,标记为 1 ,否则标记为 0 ,公式为IF(最近一次消费距今天数<最近一次消费距今平均天数,1,0)。
五 划分用户类型
经过上述步骤已经得到了用户各项特征值,根据以下表格即可将用户分类
具体如下:
1.添加 RFM 指标
新增公式列「RFM」,使用 CONCATENATE() 函数将 RFM 向量化值拼接起来,顺序为:最近一次消费距今天数评价、消费次数评价、次均消费金额评价。公式为CONCATENATE(最近一次消费距今天数评价,消费次数评价,次均消费金额评价)。
2.对 RFM 指标分组
效果查看
点击创建好的「RFM 分析表」进行「数据预览」,即可查看分类完成的数据